Fugu-MT 論文翻訳(概要): Class-specific Data Augmentation for Plant Stress Classification

論文の概要: Class-specific Data Augmentation for Plant Stress Classification

arxiv url: http://arxiv.org/abs/2406.13081v1
Date: Tue, 18 Jun 2024 22:01:25 GMT
ステータス: 処理完了
システム内更新日: 2024-06-21 23:58:20.491893
Title: Class-specific Data Augmentation for Plant Stress Classification
Title（参考訳）: 植物ストレス分類のためのクラス別データ拡張
Authors: Nasla Saleem, Aditya Balu, Talukder Zaki Jubery, Arti Singh, Asheesh K. Singh, Soumik Sarkar, Baskar Ganapathysubramanian,
Abstract要約: 本稿では,遺伝的アルゴリズムを用いたクラス固有の自動データ拡張手法を提案する。葉に症状がみられるダイズ(Glycine max (L.) Merr)ストレス分類に対するアプローチの有用性を実証した。本手法は,ダイズ葉のストレスデータセットにおいて,平均クラス毎の精度97.61%,全体的な精度98%を達成し,高い性能を示した。
参考スコア（独自算出の注目度）: 8.433217399526521
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Data augmentation is a powerful tool for improving deep learning-based image classifiers for plant stress identification and classification. However, selecting an effective set of augmentations from a large pool of candidates remains a key challenge, particularly in imbalanced and confounding datasets. We propose an approach for automated class-specific data augmentation using a genetic algorithm. We demonstrate the utility of our approach on soybean [Glycine max (L.) Merr] stress classification where symptoms are observed on leaves; a particularly challenging problem due to confounding classes in the dataset. Our approach yields substantial performance, achieving a mean-per-class accuracy of 97.61% and an overall accuracy of 98% on the soybean leaf stress dataset. Our method significantly improves the accuracy of the most challenging classes, with notable enhancements from 83.01% to 88.89% and from 85.71% to 94.05%, respectively. A key observation we make in this study is that high-performing augmentation strategies can be identified in a computationally efficient manner. We fine-tune only the linear layer of the baseline model with different augmentations, thereby reducing the computational burden associated with training classifiers from scratch for each augmentation policy while achieving exceptional performance. This research represents an advancement in automated data augmentation strategies for plant stress classification, particularly in the context of confounding datasets. Our findings contribute to the growing body of research in tailored augmentation techniques and their potential impact on disease management strategies, crop yields, and global food security. The proposed approach holds the potential to enhance the accuracy and efficiency of deep learning-based tools for managing plant stresses in agriculture.
Abstract（参考訳）: データ拡張は、植物ストレスの識別と分類のためのディープラーニングベースの画像分類器を改善する強力なツールである。しかしながら、大規模な候補プールから効果的な拡張セットを選択することは、特に不均衡で相反するデータセットにおいて、重要な課題である。本稿では,遺伝的アルゴリズムを用いたクラス固有の自動データ拡張手法を提案する。葉に症状が観察されるダイズ(Glycine max (L.) Merr)ストレス分類へのアプローチの有用性を実証する。本手法は,ダイズ葉のストレスデータセットにおいて,平均クラス毎の精度97.61%,全体的な精度98%を達成し,高い性能を示した。本手法は,83.01%から88.89%に,85.71%から94.05%に顕著に改善した。そこで本研究では,高い性能向上戦略を計算的に効果的に同定できることを示す。そこで我々は,異なる拡張性を持つベースラインモデルの線形層のみを微調整し,訓練分類器のスクラッチ化に伴う計算負担を低減し,優れた性能を実現した。本研究は, 植物ストレス分類における自動データ拡張戦略の進歩, 特にコンバウンディングデータセットの文脈における発展を示す。本研究は, 高度化技術研究の進展と, 病害管理戦略, 収穫量, グローバルな食料安全保障への潜在的影響に寄与する。提案手法は、農業における植物ストレスを管理するためのディープラーニングツールの精度と効率を高める可能性を秘めている。

関連論文リスト

Leveraging Pre-trained CNNs for Efficient Feature Extraction in Rice Leaf Disease Classification [1.4874449172133892]
我々は、事前訓練された畳み込みニューラルネットワーク(CNN)における特徴抽出手法の統合の影響を厳格に評価する。オリエントグラディエント(HOG)のヒストグラムはアーキテクチャ全体で大幅に改善され、特にEfficientNet-B7の精度は92%から97%に向上した。 Grad-CAMは、HOG統合が疾患特異的な特徴への注意を高め、観察されたパフォーマンス向上を裏付けることを明らかにした。
論文参考訳（メタデータ） (2024-02-26T07:19:48Z)
Which Augmentation Should I Use? An Empirical Investigation of Augmentations for Self-Supervised Phonocardiogram Representation Learning [5.438725298163702]
Contrastive Self-Supervised Learning (SSL)はラベル付きデータの不足に対する潜在的な解決策を提供する。 1次元心電図(PCG)分類におけるコントラスト学習の最適化を提案する。トレーニング分布によっては、完全教師付きモデルの有効性が最大32%低下し、SSLモデルは最大10%低下し、場合によっては改善される。
論文参考訳（メタデータ） (2023-12-01T11:06:00Z)
Data-Centric Long-Tailed Image Recognition [49.90107582624604]
ロングテールモデルは高品質なデータに対する強い需要を示している。データ中心のアプローチは、モデルパフォーマンスを改善するために、データの量と品質の両方を強化することを目的としています。現在、情報強化の有効性を説明するメカニズムに関する研究が不足している。
論文参考訳（メタデータ） (2023-11-03T06:34:37Z)
Agave crop segmentation and maturity classification with deep learning data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
論文参考訳（メタデータ） (2023-03-21T03:15:29Z)
Enhancement attacks in biomedical machine learning [0.0]
強化攻撃(enhancement attack)は、バイオメディカル機械学習にとって大きな脅威となるかもしれない。特徴量の変更を最小限に抑えた分類器の予測性能を大幅に向上する2つの手法を開発した。以上の結果から,任意の予測性能を実現するためのマイナーデータ操作の実現可能性を示す。
論文参考訳（メタデータ） (2023-01-05T03:03:28Z)
On the Importance of Hyperparameters and Data Augmentation for Self-Supervised Learning [32.53142486214591]
自己監視学習(SSL)はディープラーニング研究の非常に活発な領域となり、分類やその他のタスクの事前学習方法として広く利用されている。ここでは、実際、ハイパーパラメータとデータ拡張戦略の選択は、パフォーマンスに劇的な影響を与える可能性があることを示す。我々は,グループ間のサンプリングを最適化するグループ拡張アルゴリズム,GroupAugmentを導入する。
論文参考訳（メタデータ） (2022-07-16T08:31:11Z)
Data augmentation for learning predictive models on EEG: a systematic comparison [79.84079335042456]
脳波(EEG)分類タスクの深層学習は、ここ数年急速に増加している。 EEG分類タスクのディープラーニングは、比較的小さなEEGデータセットによって制限されている。データ拡張は、コンピュータビジョンや音声などのアプリケーションにまたがる最先端のパフォーマンスを得るために重要な要素となっている。
論文参考訳（メタデータ） (2022-06-29T09:18:15Z)
Smart(Sampling)Augment: Optimal and Efficient Data Augmentation for Semantic Segmentation [68.8204255655161]
セマンティックイメージセグメンテーションに関する最初の研究を行い、textitSmartAugment と textitSmartSamplingAugment の2つの新しいアプローチを紹介した。 SmartAugmentはベイジアン最適化を使用して、拡張戦略の豊富なスペースを探索し、私たちが考慮しているすべてのセマンティックセグメンテーションタスクにおいて、新しい最先端のパフォーマンスを達成する。 SmartSamplingAugmentは、固定的な拡張戦略を備えたシンプルなパラメータフリーのアプローチで、既存のリソース集約型アプローチとパフォーマンスを競い合い、安価な最先端データ拡張手法を上回っている。
論文参考訳（メタデータ） (2021-10-31T13:04:45Z)
Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
論文参考訳（メタデータ） (2021-06-22T16:53:09Z)
Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文参考訳（メタデータ） (2021-04-07T06:02:04Z)
Bayesian Active Learning for Wearable Stress and Affect Detection [0.7106986689736827]
デバイス上での深層学習アルゴリズムによるストレス検出は、広汎なコンピューティングの進歩により増加傾向にある。本稿では,ベイズニューラルネットワークの近似によるモデル不確実性を表現可能なフレームワークを提案する。提案手法は, 提案手法により, 推定時の効率を著しく向上し, 獲得したプール点数がかなり少なくなる。
論文参考訳（メタデータ） (2020-12-04T16:19:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。